中文专利文献术语自动识别研究_杨双龙1
需积分: 0 88 浏览量
2022-08-03
14:57:34
上传
评论
收藏 445KB PDF 举报
第
３０
卷
第
３
期
２０１６
年
５
月
中文信息学报
ＪＯＵＲＮＡＬ
ＯＦ
ＣＨＩＮＥＳＥ
ＩＮＦＯＲＭＡＴＩＯＮ
ＰＲＯＣＥＳＳＩＮＧ
Ｖｏｌ．３０
，
Ｎｏ．３
Ｍａ
ｙ
．
，
２０１６
文章编号
：
１００３
－
００７７
（
２０１６
）
０３
－
０１１１
－
０７
中文专利文献术语自动识别研究
杨双龙
１
，
吕学强
１
，
李卓
１
，
徐丽萍
２
（
１．
北京信息科技大学 网络文化与数字传播北京市重点实验室
，
北京
１００１０１
；
２．
北京城市系统工程研究中心
，
北京
１０００８９
）
摘
要
：
中文专利文献中含有大量领域术语
，
对这些术语进行自动识别是信息抽取
、
文本挖掘等领域的重要任务
。
该文提出了基于专利文献标题的术语词性规则自动生成方法以及针对候选术语排序的
ＴｅｒｍＲａｎｋ
算法
。
该方法
首先从大量的中文专利文献标题中自动生成词性规则
；
然后利用生成的词性规则对中文专利文献正文部分进行规
则匹配获得候选术语表
；
再利用提出的
ＴｅｒｍＲａｎｋ
排序算法对候选术语表排序
，
最终得到术语列表
。
通过在
９
７２５
篇中文专利文献数据上实验
，
证实了该方法的有效性
。
关键词
：
术语自动识别
；
专利文献
；
信息抽取
；
文本挖掘
Ａｕｔｏｍａｔｉｃ
Ｒｅｃｏ
ｇ
ｎｉｔｉｏｎ
ｏｆ
Ｔｅｒｍｓ
ｉｎ
Ｃｈｉｎｅｓｅ
Ｐａｔｅｎｔ
Ｌｉｔｅｒａｔｕｒｅ
ＹＡＮＧ
Ｓｈｕａｎ
ｇ
ｌｏｎ
ｇ
１
，
ＬＶ
Ｘｕｅ
ｑ
ｉａｎ
ｇ
１
，
ＬＩ
Ｚｈｕｏ
１
，
ＸＵ
Ｌｉ
ｐ
ｉｎ
ｇ
２
（
１．Ｂｅｉ
ｊ
ｉｎ
ｇ
Ｋｅ
ｙ
Ｌａｂｏｒａｔｏｒ
ｙ
ｏｆ
Ｉｎｔｅｒｎｅｔ
Ｃｕｌｔｕｒｅ
ａｎｄ
Ｄｉ
ｇ
ｉｔａｌ
Ｄｉｓｓｅｍｉｎａｔｉｏｎ
Ｒｅｓｅａｒｃｈ
，
Ｂｅｉ
ｊ
ｉｎ
ｇ
Ｉｎｆｏｒｍａｔｉｏｎ
Ｓｃｉｅｎｃｅ
ａｎｄ
Ｔｅｃｈｎｏｌｏ
ｇｙ
Ｕｎｉｖｅｒｓｉｔ
ｙ
，
Ｂｅｉ
ｊ
ｉｎ
ｇ
１００１０１
，
Ｃｈｉｎａ
；
２．Ｂｅｉ
ｊ
ｉｎ
ｇ
Ｒｅｓｅａｒｃｈ
Ｃｅｎｔｅｒ
ｏｆ
Ｕｒｂａｎ
Ｓ
ｙ
ｓｔｅｍ
Ｅｎ
ｇ
ｉｎｅｅｒｉｎ
ｇ
，
Ｂｅｉ
ｊ
ｉｎ
ｇ
１０００８９
，
Ｃｈｉｎａ
）
Ａｂｓｔｒａｃｔ
：
Ｃｈｉｎｅｓｅ
ｐ
ａｔｅｎｔ
ｌｉｔｅｒａｔｕｒｅｓ
ｃｏｎｔａｉｎ
ａｂｕｎｄａｎｔ
ｄｏｍａｉｎ
－
ｓ
ｐ
ｅｃｉｆｉｃ
ｔｅｒｍｓ
，
ａｎｄ
ａｕｔｏｍａｔｉｃ
ｒｅｃｏ
ｇ
ｎｉｔｉｏｎ
ｏｆ
ｔｅｒｍｉｎｏｌｏ
－
ｇｙ
ｉｓ
ａｎ
ｉｍ
ｐ
ｏｒｔａｎｔ
ｔａｓｋ
ｉｎ
ｉｎｆｏｒｍａｔｉｏｎ
ｅｘｔｒａｃｔｉｏｎ
ａｎｄ
ｔｅｘｔ
ｍｉｎｉｎ
ｇ
．Ｉｎ
ｔｈｉｓ
ｐ
ａ
ｐ
ｅｒ
，
ｗｅ
ｐ
ｒｏ
ｐ
ｏｓｅ
ａｎ
ａ
ｐｐ
ｒｏａｃｈ
ｏｆ
ａｕｔｏｍａｔ
－
ｉｃ
ｇ
ｅｎｅｒａｔｉｏｎ
ｏｆ
ｔｅｒｍ
ｆｏｒｍａｔｉｏｎ
ｒｕｌｅｓ
ａｎｄ
ａ
ｎｏｖｅｌ
ＴｅｒｍＲａｎｋ
ａｌ
ｇ
ｏｒｉｔｈｍ．Ｆｉｒｓｔｌ
ｙ
，
ｗｅ
ｆｏｃｕｓ
ｏｎ
ｇ
ｅｎｅｒａｔｉｎ
ｇ
ａ
ｓｅｔ
ｏｆ
ｔｅｒｍ
ｆｏｒｍａｔｉｏｎ
ｒｕｌｅｓ
ａｕｔｏｍａｔｉｃａｌｌ
ｙ
ｔｈｒｏｕ
ｇ
ｈ
ａ
ｌａｒ
ｇ
ｅ
ｎｕｍｂｅｒ
ｏｆ
ｐ
ａｔｅｎｔ
ｔｉｔｌｅｓ
ａｎｄ
ｔｈｅｎ
ａ
ｐｐ
ｌｉｅｄ
ｔｈｏｓｅ
ｒｕｌｅｓ
ｔｏ
ｐ
ａｔｅｎｔ
ｔｅｘｔｓ
ｆｏｒ
ｔｅｒｍ
ｃａｎｄｉｄａｔｅｓ．Ｆｉｎａｌｌ
ｙ
，
ｔｈｅ
ＴｅｒｍＲａｎｋ
ａｌ
ｇ
ｏｒｉｔｈｍ
ｄｅｃｉｄｅｓ
ｔｈｅ
ｆｉｎａｌ
ｔｅｒｍｓ．Ｅｘ
ｐ
ｅｒｉｍｅｎｔａｌ
ｒｅｓｕｌｔｓ
ｏｎ
９７２５Ｃｈｉｎｅｓｅ
ｐ
ａｔｅｎｔ
ｌｉｔｅｒａｔｕｒｅｓ
ｄｅｍｏｎｓｔｒａｔｅ
ｔｈｅ
ｅｆｆｅｃｔｉｖｅｎｅｓｓ
ｏｆ
ｔｈｅ
ｐ
ｒｏ
ｐ
ｏｓｅｄ
ａ
ｐｐ
ｒｏａｃｈ．
Ｋｅ
ｙ
ｗｏｒｄｓ
：
ａｕｔｏｍａｔｉｃ
ｔｅｒｍ
ｒｅｃｏ
ｇ
ｎｉｔｉｏｎ
；
ｐ
ａｔｅｎｔ
ｌｉｔｅｒａｔｕｒｅ
；
ｉｎｆｏｒｍａｔｉｏｎ
ｅｘｔｒａｃｔｉｏｎ
；
ｔｅｘｔ
ｍｉｎｉｎ
ｇ
收稿日期
：
２０１４
－
０３
－
２０
定稿日期
：
２０１４
－
０５
－
１６
所属课题
：
国家自然科学基 金
（
６１２７１３０４
）；
北京市教委科技发展计划重点项目暨北京市自然科学基金
Ｂ
类 重点 项 目
（
Ｋ Ｚ２０１３１１２３２０３７
）；
北京市属高等学校创新团队建设与教师职业发展计划项目
（
ＩＤ Ｈ Ｔ２０１３０５１９
）
１
引言
自动术语识别
（
Ａｕｔｏｍａｔｉｃ
Ｔｅｒｍ
Ｒｅｃｏ
ｇ
ｎｉｔｉｏｎ
，
ＡＴＲ
）
是信息抽取研究领域的重要组成部分
。
它是
指通过无人工干预或尽量少的人工干预方法
，
从自
由文本中自动识别出能够代表某个专业领域中一般
概念的词汇串的过程
。
通过术语自动识别技术构建
的术语库是非常重要的基础数据资源
，
为中文分词
、
本体构建
、
词典编撰与更新
、
自动标引
、
信息检索以
及机器翻译等提供不可或缺的数据支持
。
此外
，
伴
随着信息技术的高速发展
，
数字化信息资源与日俱
增
，
对这些资源进行术语的自动识别对于及时把握
领域最新发展状况及未来发展趋势具有十分重要的
意义
。
中文专利文献是重要的数字化信息资源
，
它们
记载着各学科领域的最新发明成果
，
其中存在着大
量的专业术语
。
结合对中文专利文献的观察分析与
前人
［
１
－
２
］
的研究
，
发现专利文献中的术语具有如下几
个明显特点
：（
１
）
专利文献中的术语嵌套现象较为
常见
；（
２
）
专利文献中的术语具有较强的领域相关
性
，
即高频率出现在某一领域的术语在另外的领域
资源评论
